Visitas: 1
Un modelo de predicción clínica mediante aprendizaje automático y análisis de riesgos competitivos.
Premio Academia Nacional de Medicina a la Investigación Científica 2025 en la categoría: Mejor trabajo en trasplantes. Artículo basado en la presentación de la Dra. Andrea García López, coautora.
¿Cuál es la probabilidad de perder el injerto en el primer año postrasplante? La probabilidad de que este evento ocurra depende de múltiples factores relacionados tanto con el donante como con el receptor. Este trabajo parte de una pregunta clínica concreta sobre el riesgo de pérdida del injerto en un caso específico y utiliza dicha pregunta como punto de partida.
El estudio fue desarrollado por un equipo interdisciplinario con la participación de expertos en epidemiología, cirugía de trasplantes e ingeniería y análisis de datos. El objetivo principal fue desarrollar y validar un modelo de predicción para la pérdida del injerto renal a un año, utilizando técnicas de aprendizaje automático y análisis de riesgos.
En Colombia se realizan aproximadamente entre 1.200 y 1.400 trasplantes renales al año, cifra insuficiente frente a la demanda existente, lo que genera altas tasas de mortalidad en lista de espera. En este contexto de escasez, la decisión de aceptar o rechazar un órgano debe maximizar la probabilidad de éxito del trasplante y la longevidad del injerto. Esta decisión es cada vez más compleja debido a la escasez de órganos y el aumento en las comorbilidades de los receptores, lo que resalta la necesidad de herramientas objetivas que apoyen el juicio clínico.
La asignación de órganos en Colombia es coordinada por la Red Nacional de Trasplantes, que considera variables de compatibilidad inmunológica, tiempo en lista de espera y urgencia. Sin embargo, la decisión final recae en los grupos de trasplante, quienes deben evaluar el riesgo de fracaso del injerto con información limitada y en tiempo real. Anticipar desenlaces adversos antes del trasplante se convierte en una necesidad clínica prioritaria para optimizar el uso de un recurso escaso. Por eso, tener una herramienta que ayude a mejorar las decisiones clínicas, reuniendo las características del donante y del receptor y poder determinar la probabilidad de éxito del trasplante, sería de gran ayuda.
La revisión de la literatura evidenció importantes vacíos en los modelos de predicción existentes. La mayoría han sido desarrollados en poblaciones no latinoamericanas, con contextos clínicos y sistemas de salud diferentes al colombiano. Además, muchos modelos no incorporan adecuadamente los riesgos que compiten, lo que puede generar estimaciones sesgadas, ni evalúan su impacto clínico, limitando su aplicabilidad práctica pese a tener un desempeño estadístico aceptable.
Para responder a estas limitaciones, los investigadores desarrollaron un modelo propio de machine learning basado en un tipo de algoritmo Random Survival Forest (RSF) para riesgos competitivos, utilizando datos de 2030 pacientes trasplantados entre 2008 y 2023 en Colombiana de Trasplantes.
El evento principal medido fue la pérdida del injerto y la muerte como evento que compite. Para la evaluación del modelo valoraron discriminación y calibración, que es lo mínimo que se debe evaluar en los modelos de predicción. Además de la utilidad clínica, que es parte de las falencias de los modelos publicados. En total hubo 1784 pacientes que cumplieron el seguimiento y en el primer año no tuvieron ningún evento, 186 tuvieron pérdida del injerto y 60 murieron con un injerto funcional.
Para preparar los datos, debieron completar algunos valores faltantes en pocas variables, a través del método de random forest. La selección de las variables se basó en tres fuentes principales: la revisión de la literatura científica, la opinión de expertos y un modelo estadístico de random forest para riesgos competitivos. A partir de 28 predictores iniciales, el modelo final incluyó 12 variables. La validación interna se realizó mediante validación cruzada, una técnica que permite evaluar la estabilidad y confiabilidad del modelo.
Posteriormente, entrenaron dos modelos para comparar resultados: uno de aprendizaje automático (random survival forest) y otro estadístico tradicional (Fine and Gray). Para evaluar el desempeño de los modelos, analizaron su capacidad de discriminación, calibración y su utilidad clínica. Presentaron el mejor modelo en una calculadora web, diseñada para ser fácil de usar y capaz de predecir desenlaces individuales.
El modelo mostró una excelente capacidad de discriminación, con una correcta clasificación del riesgo en cerca del 90 % de los pacientes, y una calibración moderada con ligera sobreestimación en los riesgos más altos. La evaluación de utilidad clínica mediante curvas de decisión demostró un beneficio neto positivo frente a estrategias extremas como tratar a todos los pacientes como de alto riesgo o a todos como de bajo riesgo. Aunque la sensibilidad fue alta (88%), la especificidad moderada indicó una proporción relevante de falsos positivos, aspecto clave a considerar para su futura implementación clínica.
En el caso clínico específico estudiado por los investigadores, la probabilidad estimada de pérdida del injerto a un año fue del 16,9 %, considerando la muerte como evento competitivo. Este modelo representa una herramienta prometedora para apoyar la toma de decisiones en trasplante renal. Por cuanto aún muestra una tasa alta de falsos positivos, se hace necesario optimizar los umbrales y validar la herramienta de forma externa en otros centros y poblaciones latinoamericanas antes de su adopción clínica generalizada.
:::::::::::::::::::::::::
Intervención de la Dra. García en:
ENTREGA PREMIOS A LA INVESTIGACIÓN CIENTÍFICA – ACADEMIA NACIONAL DE MEDICINA
Artículo. Victoria Rodríguez G. Comunicaciones Academia Nacional de Medicina
